Beneficios de la Inteligencia Artificial en el aprendizaje de los estudiantes universitarios: una revisión sistemática

e-ISSN 1135-9250 EDUTEC. Revista Electrónica de Tecnología Educativa Número 9 1 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 185 Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0. Recibido: 10-10-2024 Aceptado: 03-01-2025 Beneficios de la Inteligencia Artificial en el aprendizaje de los estudiantes universitarios: una revisión sistemática Benefits of Artificial Intelligence in University Students' Learning: A Systematic Review Juan Jesús Gutiérrez-Castillo (J.J.G.-C.); Universidad de Sevilla (España) Rosalía Romero-Tena (R.R.-T.); Universidad de Sevilla (España) Antonio León-Garrido (A.L.-G.); Universidad de Sevilla (España) RESUMEN La inteligencia artificial (IA) está revolucionando la educación superior al facilitar la personalización, equidad y accesibilidad en el aprendizaje. Este trabajo presenta una revisión sistemática y bibliométrica de estudios publicados entre 2016 y 2024 que analizan los beneficios de la IA en el aprendizaje universitario. A partir de 178 estudios extraídos de la base de datos Scopus, se aplicó un enfoque mixto, combinando análisis cualitativos y cuantitativos. Los resultados destacan que la IA potencia el rendimiento académico mediante la personalización del aprendizaje, la provisión de retroalimentación inmediata y la optimización de estrategias de estudio. Además, promueve la autonomía estudiantil, brindando herramientas para un aprendizaje autodirigido con apoyo continuo. En términos de accesibilidad, permite adaptar los materiales educativos a las necesidades individuales y superar barreras tanto económicas como geográficas. Pese a estos avances, los estudios revisados subrayan la necesidad de investigaciones a largo plazo para evaluar su impacto sostenido en el desarrollo de habilidades cognitivas y socioemocionales. Asimismo, se recomienda ampliar su implementación en contextos con recursos tecnológicos limitados para garantizar que sus beneficios sean verdaderamente inclusivos. ABSTRACT Artificial intelligence (AI) is revolutionizing higher education by enhancing personalization, equity, and accessibility in learning. This study presents a systematic and bibliometric review of research published between 2016 and 2024, focusing on the benefits of AI in university students' learning. A total of 178 studies were analyzed, sourced from the Scopus database, using a mixed-methods approach that combines qualitative and quantitative analyses. The findings reveal that AI enhances academic performance by personalizing learning, providing instant feedback, and optimizing study strategies. Additionally, it fosters student autonomy by offering tools for self-directed learning with continuous support. In terms of accessibility, AI adapts educational materials to individual needs and overcomes economic and geographical barriers. Despite these advancements, the reviewed studies highlight the need for long-term research to assess its sustained impact on cognitive and socio-emotional skill development. Furthermore, expanding AI implementation in contexts with limited technological resources is recommended to ensure its benefits are inclusive and equitable. PALABRAS CLAVE - KEYWORDS Inteligencia artificial, educación superior, aprendizaje personalizado, rendimiento académico, revisión sistemática Artificial intelligence, higher education, personalized learning, academic performance, systematic review EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 186 1. INTRODUCCIÓN El avance vertiginoso de las tecnologías basadas en inteligencia artificial (IA) ha generado transformaciones significativas en casi todos los sectores de la sociedad, incluido el educativo. En el contexto de la educación superior, la integración de tecnologías de IA ha crecido exponencialmente, impactando considerablemente en el proceso de enseñanza-aprendizaje al permitir un enfoque más personalizado, adaptativo y accesible. Según estudios recientes, la IA tiene el potencial de redefinir la forma en que se diseña y elabora el contenido educativo, brindando nuevas oportunidades para mejorar la experiencia de los estudiantes y aumentar la personalización equidad en el acceso al conocimiento (Luckin et al., 2016; Holmes et al., 2019). Estos beneficios han posicionado a la IA como una herramienta crucial para enfrentar los desafíos que la educación enfrenta en el siglo XXI, incluyendo la necesidad de una mayor equidad, eficiencia y personalización en los procesos educativos. Uno de los factores que justifica la realización de este estudio es la creciente demanda de personalización y accesibilidad en la educación superior. Tradicionalmente, los sistemas educativos han seguido enfoques homogéneos y lineales que no se adaptan a las necesidades específicas de cada estudiante. La IA permite superar esta limitación al proporcionar experiencias de aprendizaje personalizadas, ajustadas a los ritmos y estilos individuales de cada estudiante (Baker & Siemens, 2014). La capacidad de la IA para procesar grandes volúmenes de datos permite identificar patrones en el comportamiento de aprendizaje, lo cual posibilita una intervención educativa oportuna y específica. Esta personalización es una herramienta poderosa para mejorar la comprensión, el rendimiento académico y la motivación de los estudiantes, garantizando que aquellos que necesitan más apoyo lo reciban de manera precisa (Holmes et al., 2019). En este sentido, el análisis y la revisión de la literatura científica sobre los beneficios de la IA son fundamentales para establecer la base sobre la cual se pueden diseñar estrategias educativas más inclusivas y efectivas. La revisión de Woolf (2020) sugiere que la integración efectiva de la IA no solo mejora los resultados educativos, sino que también proporciona un ambiente de aprendizaje más motivador y menos intimidante para los estudiantes. Otro aspecto clave que justifica este estudio es la necesidad de abordar problemas educativos persistentes, tales como la falta de retroalimentación constante y la limitación en el apoyo continuo a los estudiantes. En los entornos de aprendizaje tradicionales, proporcionar retroalimentación oportuna y personalizada ha sido una dificultad constante debido a limitaciones de tiempo y recursos. La IA, al permitir la retroalimentación instantánea, corrige esta limitación al proporcionar a los estudiantes comentarios inmediatos y específicos, promoviendo una mejora continua (Rosé et al., 2015). La retroalimentación constante tiene un impacto positivo en la autopercepción de los estudiantes y contribuye a reducir el riesgo de acumulación de errores y malentendidos, lo cual es crucial para un progreso académico sostenido (VanLehn, 2011). Además, la IA actúa como un tutor virtual disponible en cualquier momento, ofreciendo un apoyo continuo esencial para los estudiantes, lo cual fomenta la autonomía y reduce la EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 187 dependencia del profesor (Graesser et al., 2018; Luckin et al., 2016). Este apoyo continuo es especialmente relevante en el contexto de la educación a distancia y el autoaprendizaje, donde los estudiantes suelen sentirse aislados y sin un acceso rápido a recursos de aprendizaje. La pandemia de COVID-19 aceleró la adopción de tecnologías digitales en la educación y evidenció la necesidad de contar con sistemas educativos resilientes y adaptativos. Durante la crisis sanitaria global, el uso de tecnologías basadas en IA fue fundamental para mantener la continuidad educativa y ofrecer alternativas de calidad ante la imposibilidad de mantener clases presenciales (Hodges et al., 2020). En este contexto, la IA se presenta como una solución viable para hacer frente a los desafíos de la transición al aprendizaje remoto y para asegurar que los estudiantes mantengan el compromiso y la motivación necesarios para su progreso académico (Holmes et al., 2019). La capacidad de la IA para personalizar el contenido y proporcionar retroalimentación constante ha demostrado ser particularmente relevante para garantizar la calidad del aprendizaje durante estos tiempos difíciles. Además, el uso de IA y otras tecnologías de apoyo ha sido clave para la creación de nuevas dinámicas de aprendizaje que permiten a los estudiantes interactuar de manera más flexible y significativa con el contenido educativo (Zawacki-Richter et al., 2019). Este artículo también se justifica por su contribución a la literatura académica sobre la integración de la IA en la educación superior. Al proporcionar un análisis bibliométrico y cualitativo de los estudios publicados sobre el tema, este trabajo ofrece una visión integral de las áreas que han sido más estudiadas, así como de las lagunas que aún existen en el conocimiento. La identificación de estas lagunas es fundamental para orientar futuras investigaciones hacia temas no explorados, como el impacto a largo plazo del uso de la IA en el desarrollo de habilidades críticas y socioemocionales, o cómo la IA puede ser utilizada en contextos con menos recursos tecnológicos para promover la equidad (Zawacki-Richter et al., 2019). 2. MÉTODO La revisión sistemática y bibliométrica busca responder a preguntas concretas a través de métodos de búsqueda definidos, sistemáticos y replicables, que permiten identificar las fuentes de información de manera objetiva y reducir el sesgo en el proceso de selección (Arévalo et al., 2021). Este enfoque es ampliamente empleado en investigaciones de naturaleza similar (López Regalado et al., 2024). Este trabajo intentará dar respuesta a la pregunta: ¿Qué beneficios aporta la Inteligencia Artificial (IA) al aprendizaje universitario? Para responder a esta cuestión, se han definido una serie de objetivos que permiten abordar el problema de manera sistemática: • Realizar una revisión sistemática y bibliométrica de los estudios publicados entre 2016 y 2024 sobre los beneficios de la inteligencia artificial en el aprendizaje universitario. EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 188 • Analizar los beneficios que la IA aporta al aprendizaje • Identificar las principales tendencias y patrones en la producción científica sobre IA aplicada a la educación superior, destacando las áreas más estudiadas y las lagunas existentes. 2.1. Estrategia de búsqueda La búsqueda se realizó con descriptores en inglés y español relacionados con los beneficios que aporta la inteligencia artificial en el aprendizaje de los estudiantes universitarios. Para ello, se llevó a cabo una búsqueda avanzada en la base de datos Scopus, en la que se emplearon operadores booleanos AND y OR. El algoritmo de búsqueda utilizado fue cuidadosamente diseñado para garantizar la precisión de los resultados: ("Artificial Intelligence" OR "AI" OR "Inteligencia Artificial" OR "Machine Learning" OR "Aprendizaje Automático" OR "Deep Learning" OR "Aprendizaje Profundo" OR "intelligent systems" OR "sistemas inteligentes" OR "neural networks" OR "redes neuronales" OR "Large Language Models" OR "LLMs" OR "Modelos de Lenguaje Grandes" OR "transformer models" OR "modelos transformadores") AND (learning OR "student learning" OR "academic learning" OR aprendizaje OR "aprendizaje estudiantil" OR educación) AND ("university students" OR "higher education" OR "college students" OR universitarios OR "educación superior" OR "university-level education") AND (benefits OR "positive impact" OR "educational outcomes" OR advantages OR beneficios OR "impacto positivo" OR ventajas) 2.2. Criterios de inclusión y exclusión Los criterios de inclusión se definieron de manera precisa, y pueden observarse en la Tabla 1. Tabla 1 Criterios de inclusión y exclusión Criterios de inclusión Criterios de exclusión • Artículos publicados en revistas científicas • Investigaciones de carácter empírico • Artículos con acceso al texto completo • Publicaciones comprendidas entre 2016 y 2024 • Estudios de cualquier país • Redactados en cualquier idioma • Documentos que no sean artículos científicos • Investigaciones que no sean de carácter empírico, artículos de revisión teórica y revisiones sistemáticas • Textos completos no disponibles • Publicaciones anteriores a 2016, y posteriores a 2024 2.3. Recolección de datos El proceso de recolección y selección de datos se estructuró en cinco etapas, siguiendo la metodología PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), un enfoque ampliamente reconocido que establece directrices claras para realizar revisiones EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 189 sistemáticas y metaanálisis. Esta metodología asegura la transparencia y la reproducibilidad en la identificación, selección y análisis de los estudios incluidos. (véase Figura 1). Figura 1 Diagrama Prisma 3. ANÁLISIS Y RESULTADOS 3.1. Análisis bibliométrico cuantitativo 3.1.1. Producción científica por años La Figura 2 muestra la evolución de las publicaciones anuales desde el año 2016 hasta 2024, reflejando claramente un crecimiento sostenido y exponencial en los últimos años. EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 190 Figura 2 Producción anual Nota. Fuente: SCOPUS Esta tendencia ilustra cómo el interés académico y la producción de conocimiento sobre la temática seleccionada se ha ido incrementado de manera significativa a lo largo de los últimos años, destacándose tres momentos para su estudio: • Crecimiento Inicial Moderado (2016-2020): Durante este período, las publicaciones sobre inteligencia artificial aplicada al aprendizaje crecieron lentamente, lo que sugiere una fase exploratoria. A pesar de un bajo número de documentos anuales, a partir de 2018 se observa un leve aumento. • Punto de Inflexión y Aceleración (2021-2024): Desde 2021, el número de publicaciones se incrementa notablemente, alcanzando su punto más alto en 2024. La pandemia de COVID-19 impulsó el uso de tecnologías digitales y la investigación en IA, mientras que entre 2023 y 2024, la maduración de herramientas de IA y la demanda de personalización en la enseñanza contribuyeron al crecimiento exponencial. • Crecimiento Exponencial Final (2023-2024): En 2024, el campo consolida su relevancia, con un aumento significativo en la producción académica y un interés sostenido en la IA aplicada a la educación, apoyado por la proliferación de tecnologías avanzadas. 3.1.2. Producción científica por países La Figura 3 evidencia una distribución relativamente equilibrada de la producción académica entre países de distintos continentes, destacando la importancia de la IA en el ámbito educativo de una manera global. Además de los países predominantes como China, Estados Unidos, etc., otros países como Arabia Saudita, Australia, o Indonesia también están presentes, lo que refleja un interés mundial. Este enfoque global, indica una preocupación por los desafíos del aprendizaje digital y la necesidad de adaptar los sistemas educativos a las nuevas realidades tecnológicas. EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 191 La posición destacada de España, entre los diez primeros países, demuestra la importancia de la investigación que se lleva a cabo en este país y su papel en el contexto internacional de la investigación en inteligencia artificial educativa. Figura 3 Distribución de la producción por países Nota. Fuente: SCOPUS 3.1.3. Producción científica por autoría Realizado el análisis de la Ley de Lotka sobre la productividad de los autores (véase Figura 4) y los datos sobre los autores más relevantes (Figura 5), se puede observar cómo la concentración de la producción científica está alineada con los principios establecidos por esta ley. La mayoría de los autores en el campo de estudio han contribuido con un número limitado de publicaciones, mientras que un pequeño grupo de investigadores altamente productivos ha generado un número significativamente mayor de documentos. EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 192 Figura 4 Ley de Lotka Nota. Fuente: Bibliometrix Figura 5 Autores más relevantes En este contexto, autores como Liu y Zhang, con cinco publicaciones, lideran el campo de la inteligencia artificial, ejemplificando la Ley de Lotka, que establece que un pequeño porcentaje de autores genera la mayor parte de la producción científica. La mayoría de los autores, sin embargo, tienen una o dos publicaciones, lo que es consistente con la Ley de Lotka, reflejando una tendencia común en la productividad académica. Aunque sus contribuciones son limitadas en cantidad, estas siguen siendo valiosas porque, en muchos casos, ofrecen perspectivas innovadoras, enfoques metodológicos únicos o hallazgos relevantes que pueden ser fundamentales para el desarrollo futuro del campo. Incluso las publicaciones de menor volumen pueden ser clave para sentar las bases de investigaciones más profundas o abrir nuevas áreas de exploración. Ley de Bradford EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 193 La primera etapa consistió en aplicar la Ley de Bradford al conjunto total de artículos (602). Este análisis nos proporciona una visión general del panorama de la literatura científica relacionada con la influencia de la inteligencia artificial en el aprendizaje de los estudiantes universitarios. Al evaluar la distribución de los artículos en este conjunto más amplio, se pudieron identificar cuáles eran las revistas más relevantes y prolíficas en el área de estudio. Esto nos sirve como un primer filtro para comprender la producción científica en este campo y permitió establecer un marco de referencia para futuras investigaciones. Figura 6 Ley de Bradford total artículos La Figura 6 presenta la ley de dispersión de Bradford, analizando el crecimiento de artículos publicados en revistas indexadas en la base de datos Scopus. En el área sombreada se encuentra un total de 34 revistas que publicaron un compendio de 202 artículos. Estas revistas son fundamentales en el área de la inteligencia artificial en la educación, ya que abarcan los temas más relevantes y son las más citadas por los investigadores en este campo. Las revistas en la Zona Núcleo, que agrupa las publicaciones más influyentes y citadas dentro de un área de conocimiento, son fundamentales para entender cómo la inteligencia artificial está transformando los procesos de aprendizaje y enseñanza. Estas publicaciones destacan por su alta calidad y rigor científico, albergando estudios que abarcan desde la implementación de herramientas de inteligencia artificial hasta la evaluación de su impacto en el rendimiento de los estudiantes universitarios. En este núcleo se encuentran: Lecture Notes in Computer Science, ACM International Conference Proceeding Series, Sustainability (Switzerland), ASEE Annual Conference and Exposition, Lecture Notes in Networks and System, y Journal of University Teaching and Learning Practice. Identificadas las revistas y artículos más relevantes, se realizó un segundo análisis aplicando la Ley de Bradford específicamente a los 178 artículos seleccionados para el estudio. Esta EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 200 adaptativo permiten a los estudiantes avanzar a su propio ritmo, lo cual evita la monotonía y mantiene el nivel de desafío adecuado para cada estudiante. Esto fomenta una experiencia de aprendizaje más gratificante y reduce el riesgo de aburrimiento o desmotivación. • Feedback inmediato y positivo: El feedback instantáneo proporcionado por la IA también tiene un impacto positivo en la motivación de los estudiantes. Shahzad et al. (2024) señalan que recibir retroalimentación inmediata y positiva sobre el desempeño incrementa el entusiasmo de los estudiantes, ya que sienten que están logrando progresos reales y tangibles. Además, Niloy et al. (2024) reportan que el feedback basado en IA también contribuye a un entorno de aprendizaje en el que los estudiantes pueden experimentar y aprender de los errores sin miedo a ser evaluados negativamente, lo cual incentiva la participación activa. • Gamificación y elementos lúdicos: La inclusión de elementos de gamificación en las herramientas de IA también contribuye a aumentar la motivación de los estudiantes. Kavitha et al. (2024) indican que los elementos lúdicos, como recompensas virtuales y niveles de progreso, incrementan el compromiso de los estudiantes al hacer del aprendizaje una experiencia más entretenida y gratificante. 3.2.6. Accesibilidad La inteligencia artificial contribuye significativamente a la accesibilidad al aprendizaje, permitiendo que estudiantes de diferentes contextos y capacidades puedan tener un acceso más equitativo a los recursos educativos. • Acceso a recursos educativos para estudiantes remotos: La IA permite a los estudiantes de áreas rurales o con acceso limitado a infraestructura educativa recibir una educación de calidad similar a la que se ofrece en zonas urbanas. Ginting et al. (2024) subrayan que la disponibilidad de recursos educativos en plataformas de aprendizaje digital impulsadas por IA ha sido esencial para reducir las brechas en la educación. Esto es particularmente importante para los estudiantes que no pueden acceder fácilmente a instituciones educativas de calidad debido a la distancia geográfica. • Eliminación de barreras económicas: La IA también ayuda a disminuir las barreras económicas, permitiendo el acceso gratuito o a bajo costo a recursos educativos de calidad. Kavitha et al. (2024) indican que los sistemas de tutoría basados en IA ofrecen soporte a los estudiantes sin necesidad de contratar tutores privados costosos, lo cual resulta en una democratización del acceso al conocimiento. Además, Muniasamy y Alasiry (2020) destacan cómo el uso de IA en plataformas educativas permite que un mayor número de estudiantes accedan a materiales didácticos sin requerir un pago elevado, reduciendo así la desigualdad económica en el ámbito educativo. • Adaptación para estudiantes con discapacidades: La IA tiene un impacto significativo en la mejora de la accesibilidad para estudiantes con discapacidades. Rahman y Singh (2023) mencionan que el uso de asistentes digitales y tecnologías de aprendizaje adaptativo es fundamental para los estudiantes con discapacidades físicas, ya que permite personalizar EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 201 el contenido de aprendizaje según sus necesidades específicas, facilitando así un acceso equitativo a la educación. • Aprendizaje multilingüe: La capacidad de la IA para ofrecer traducción y soporte en diferentes idiomas es crucial para estudiantes que no dominan el idioma principal de enseñanza. Nguyen y Lee (2019) subrayan que el soporte multilingüe proporcionado por herramientas de IA permite a estudiantes de diversas culturas acceder al contenido educativo sin la barrera del idioma, lo cual fomenta la inclusión y facilita la comprensión del material. 3.2.7. Personalización Uno de los mayores beneficios de la inteligencia artificial en la educación universitaria es la personalización del aprendizaje, permitiendo adaptar los contenidos y enfoques pedagógicos según las necesidades individuales de cada estudiante. • Aprendizaje adaptativo personalizado: El aprendizaje adaptativo es uno de los principales aspectos de la personalización que la IA ofrece. Jo (2024) destaca que los sistemas basados en IA ajustan automáticamente el nivel de dificultad de las actividades según el progreso del estudiante, permitiendo que cada uno avance a su propio ritmo. Este enfoque evita la frustración derivada de enfrentarse a contenidos excesivamente difíciles y el aburrimiento causado por temas ya dominados, incrementando así la eficiencia del proceso de aprendizaje. • Adaptación a diversos estilos de aprendizaje: La IA también permite adaptar los contenidos según los diferentes estilos de aprendizaje de los estudiantes. Chookaew et al. (2024) mencionan que las herramientas de IA pueden ajustar la forma en que se presenta la información (visual, auditiva, práctica) dependiendo del estilo de aprendizaje predominante del estudiante. • Fomento de la autonomía en el aprendizaje: Otro aspecto importante de la personalización es que fomenta la autonomía del estudiante. Silva et al. (2024) indican que, al ofrecer opciones de aprendizaje personalizadas, la IA permite que los estudiantes tomen decisiones sobre cómo y cuándo aprender, fomentando una mayor autonomía. Esta capacidad para controlar su propio proceso de aprendizaje hace que los estudiantes se sientan más responsables y comprometidos con su educación. 4. DISCUSIÓN Y CONCLUSIONES El análisis de la inteligencia artificial (IA) en la educación superior entre 2016 y 2024 demuestra su impacto profundo en la transformación de las prácticas de enseñanza y aprendizaje. A medida que la adopción de tecnologías de IA se ha extendido, se han identificado numerosos beneficios que mejoran la calidad y eficiencia del aprendizaje universitario. El crecimiento exponencial de la investigación sobre IA en educación superior a partir de 2021, coincidiendo con la pandemia de COVID-19, refleja la importancia cada vez mayor de estas tecnologías en contextos académicos. El análisis bibliométrico revela una fuerte participación EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 202 internacional, encabezada por países como China, Estados Unidos e India, pero también con contribuciones significativas de naciones emergentes como Indonesia y Arabia Saudita, destacando un interés global en aprovechar la IA para mejorar la equidad y la accesibilidad en la educación. El análisis cualitativo de los estudios seleccionados destaca varios beneficios clave que la IA aporta al aprendizaje universitario, todos los cuales contribuyen a mejorar la experiencia educativa y superar desafíos tradicionales: La IA tiene un impacto significativo en el rendimiento académico, principalmente al facilitar la personalización del aprendizaje y mejorar la organización del estudio. Herramientas que adaptan los contenidos y técnicas pedagógicas al nivel individual permiten a los estudiantes concentrarse en áreas de debilidad, optimizando así el tiempo dedicado al aprendizaje (Jo, 2024; Kavitha et al., 2024). Además, la automatización de tareas repetitivas y administrativas libera tiempo tanto para estudiantes como para docentes, promoviendo un enfoque más profundo en el contenido relevante y mejorando la calidad del aprendizaje (Ilieva et al., 2023). Favorece la retroalimentación y mejora continua. La capacidad de la IA para proporcionar retroalimentación instantánea y personalizada fomenta un aprendizaje continuo y autónomo. La retroalimentación inmediata permite a los estudiantes corregir errores en el momento adecuado y ajustar sus estrategias de estudio, evitando la acumulación de errores y mejorando la comprensión de conceptos complejos (Johnson et al., 2024; Shahzad et al., 2024). Este ciclo de mejora continua contribuye no solo al rendimiento académico, sino también a una mayor autoconfianza y motivación. La IA mejora la accesibilidad (accesibilidad y reducción de barreras educativas) para estudiantes de diferentes contextos, especialmente aquellos con barreras físicas o limitaciones económicas. Tecnologías adaptativas como asistentes de voz y sistemas de aprendizaje adaptativo aseguran que estudiantes con discapacidades puedan acceder a recursos de aprendizaje, fomentando un entorno educativo inclusivo (Rahman y Singh, 2023). Asimismo, el acceso gratuito o de bajo costo a materiales educativos contribuye a la democratización del aprendizaje, beneficiando a estudiantes de entornos con recursos limitados (Muniasamy y Alasiry, 2020) La IA también actúa como un asistente que está disponible en cualquier momento, lo cual es crucial para los estudiantes que necesitan apoyo adicional fuera del horario de clase, proporcionando un apoyo continuo y personalizado en su proceso de aprendizaje. Esto fomenta la autonomía y reduce la dependencia de los profesores, facilitando un aprendizaje más flexible (Ginting et al., 2024). Además, la capacidad de la IA para personalizar el aprendizaje de acuerdo con los estilos y preferencias individuales mejora la satisfacción y el compromiso del estudiante, elementos fundamentales para un aprendizaje exitoso (Mutambik, 2024). La inclusión de elementos de gamificación y personalización del aprendizaje permite que los estudiantes se sientan más involucrados y satisfechos con su proceso educativo, lo cual incrementa su motivación. Los sistemas de IA adaptan el contenido y los desafíos al ritmo de cada estudiante, haciendo que la experiencia de aprendizaje sea más atractiva y menos frustrante (Chookaew et al., 2024). EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 203 Si bien el potencial de la IA en la educación superior es evidente, existen limitaciones importantes que deben abordarse. La mayoría de las investigaciones revisadas se centran en estudios de corto plazo, lo cual limita nuestra comprensión del impacto a largo plazo de estas tecnologías en el aprendizaje y desarrollo académico. Es fundamental que futuros estudios adopten un enfoque longitudinal para analizar los efectos sostenidos de la IA en el rendimiento académico, la autonomía y el desarrollo de habilidades cognitivas, tales como la resolución de problemas complejos, la toma de decisiones, habilidades de aprendizaje autodirigido, etc. Aunque el análisis bibliométrico muestra una distribución internacional significativa de la investigación sobre IA en educación, existe una concentración en países desarrollados con mayor acceso a recursos tecnológicos. Esto subraya la importancia de fomentar estudios en regiones con menos recursos, no solo para diversificar la comprensión del impacto de la IA, sino también para identificar estrategias adaptadas a contextos con limitaciones tecnológicas. Sin embargo, es crucial señalar que la implementación efectiva de la IA en la educación no depende únicamente de la investigación científica, sino también de factores como el desarrollo de políticas educativas inclusivas, la inversión en infraestructura tecnológica y el acceso equitativo a recursos. Por ello, se requiere un enfoque integral que combine la evidencia científica con acciones concretas en estos ámbitos para garantizar que los beneficios de la IA sean accesibles a todos los contextos educativos. 5. FINANCIACIÓN Este trabajo forma parte del proyecto titulado: “La Inteligencia Artificial como herramienta de apoyo a la autoevaluación de los aprendizajes de los estudiantes”, aprobado en la Convocatoria de Apoyo a la Coordinación e Innovación Docente (ref. 221) – Convocatoria 2024/2025, con referencia: REF1686, del 4º Plan de Docencia de la Universidad de Sevilla. 6. CONTRIBUCIÓN DE LOS AUTORES (en caso de coautoría) Conceptualización, J.J.G.-C., R.R.-T. y A.L.-G.; curación de datos, J.J.G.C.; análisis formal, J.J.G.-C. y A.L.-G.; adquisición de financiación, R.R.-T.; investigación, J.J.G.-C., R.R.-T. y A.L.-G.; metodología, J.J.G.-C.; administración del proyecto, J.J.G.-C., R.R.-T. y A.L.-G.; supervisión, J.J.G.-C., R.R.-T. y A.L.-G.; validación, J.J.G.- C., R.R.-T. y A.L.-G.; visualización, J.J.G.-C., R.R.-T. y A.L.-G.; redacción—preparación del borrador original, J.J.G.-C., R.R.-T. y A.L.-G.; redacción—revisión y edición, J.J.G.-C., R.R.-T. y A.L.-G. 7. REFERENCIAS Acosta-Enríquez, B. G., Arbulú Ballesteros, M. A., & Hernández Soto, M. (2024). Knowledge, attitudes, and perceived Ethics regarding AI in education. AI & Society, 20(10). https://doi.org/10.1007/s40979-024-00157-4 Baker, R. S., & Siemens, G. (2014). Educational data mining and learning analytics. In Cambridge Handbook of the Learning Sciences (2nd ed., pp. 253–271). Cambridge University Press. EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 204 Cha, J., Kan, S.-Y., & Chia, P. W. (2016). College students' reflection on the uncritical use of technology. Journal of Korean Chemical Society, 60(2), 137–143. https://doi.org/10.5012/jkcs.2016.60.2.137 Chookaew, S., Kitcharoen, P., Howimanporn, S., & Parapattana, M. (2024). Fostering student competencies and perceptions with AI support. Computer Applications in Engineering Education, 7. https://doi.org/10.1016/j.caeai.2024.100308 Delcker, J., Heil, J., Ifenthaler, D., & Seufert, S. (2024). First-year students AI-competence as a predictor of higher achievement. International Journal of Educational Technology in Higher Education, 21(18). https://doi.org/10.1186/s41239-024-00452-7 Fauzi, M., M Jhoni, Mohammad, D. M., Mabruroh, F. M., & Oviyanti, F. (2024). Implementación: El poder del blended learning en la era La guerra de la IA en la Indonesia (Implementation of the Power of Blended Learning in the AI War Era in Indonesia: An Empirical Study). Pixel-Bit. Revista De Medios Y Educación, 70, 77–95. https://doi.org/10.12795/pixelbit.103035 Fuertes Alpiste, M. (2024). Enmarcando las aplicaciones de IA generativa como herramientas para la cognición en educación [Framing Generative AI applications as tools for cognition in education]. Pixel-Bit. Revista De Medios Y Educación, 71, 42–57. https://doi.org/10.12795/pixelbit.107697 Ginting, D., Sabudu, D., Barella, Y., & Madkur, A. (2024). Student-centered learning in the digital age: A study of AI's role. International Journal of Educational Research and Evaluation, 13(3), 2006-2019. https://doi.org/10.11591/ijere.v13i3.27497 Graesser, A. C., Cai, Z., Morgan, B., & Wang, L. (2018). Assessment with Computer Agents that Engage in Conversational Dialogues and Trialogues with Learners. Computers in Human Behavior, 76, 607-616. https://doi.org/10.1016/j.chb.2017.03.041 Hodges, C., Moore, S., Lockee, B., Trust, T., & Bond, A. (2020). The Difference Between Emergency Remote Teaching and Online Learning. Educause Review. Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Center for Curriculum Redesign. Ilieva, G., Yankova, T., Klisarova-Belcheva, S., & Georgieva, T. (2023). Effects of Generative Chatbots in Higher Education: A Perspective on Efficiency. Information, 14(9), 492. https://doi.org/10.3390/info14090492 Isnaini, S., & Muslimin, A. I. (2024). The Role of AI in Enhancing Marketing Communication Learning. Studies in Media and Communication, 12(4). https://doi.org/10.11114/smc.v12i4.7013 Jo, H. (2024). From concerns to benefits: a comprehensive study on AI’s educational impact. International Journal of Educational Technology in Higher Education, 21(35). https://doi.org/10.1186/s41239-024-00471-4 EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 205 Johnson, N., Seaman, J., & Seaman, J. (2024). The Anticipated Impact of Artificial Intelligence on Learning and Assessment. Online Learning Journal, 28(3). https://doi.org/10.24059/olj.v28i3.4646 Katsamakas, E., Pavlov, O. V., & Saklad, R. (2024). Artificial Intelligence and the Transformation of Higher Education: Student and Faculty Perspectives. Sustainability, 16(14), 6118 https://doi.org/10.3390/su16146118 Kavitha, K., Joshith, V. P., Rajeev, N. P., & Asha, S. (2024). Artificial Intelligence in Higher Education: A Comparative Study. European Journal of Educational Research, 13(3), 1121-1137. https://doi.org/10.12973/eu-jer.13.3.1121 López Regalado, O., Núñez-Rojas, N., López Gil, O. R., & Sánchez-Rodríguez, J. (2024). El Análisis del uso de la inteligencia artificial en la educación universitaria: una revisión sistemática (Analysis of the use of artificial intelligence in university education: a systematic review). Pixel-Bit. Revista De Medios Y Educación, 70, 97–122. https://doi.org/10.12795/pixelbit.106336 Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed: An Argument for AI in Education. Pearson Education. Michel-Villarreal, R., Vilalta-Perdomo, E., & Salimi, S. (2023). Challenges and Opportunities of Generative AI in Education. Education Sciences, 13(9), 856. https://doi.org/10.3390/educsci13090856 Muniasamy, A., & Alasiry, A. (2020). Deep learning: The impact on future eLearning. International Journal of Emerging Technologies in Learning (iJET), 15(1). https://doi.org/10.3991/IJET.V15I01.11435 Mutambik, I. (2024). The Use of AI-Driven Automation to Enhance Student Engagement and Satisfaction. Sustainability, 16(14), 5970. https://doi.org/10.3390/su16145970 Nguyen, T., & Lee, C. (2019). Personalized Learning through AI: A Path to Greater Academic Success. International Journal of Recent Technology and Engineering, 8(2S4). https://doi.org/10.35940/ijrte.B1067.0782S419 Niloy, A. C., Bari, M. A., Sultana, J., & Chowdhury, R. R. (2024). Why do students use ChatGPT? Answering through data-driven analysis. Computer Applications in Engineering Education, 6. https://doi.org/10.1016/j.caeai.2024.100208 Niu, W., Zhang, W., Zhang, C., & Chen, X. (2024). The Role of Artificial Intelligence Autonomy in Higher Education. Sustainability, 6(3), 1276. https://doi.org/10.3390/su16031276 Pitso, T. (2023). Post-COVID-19 Higher Learning: Towards Telagogy. International Journal of Education, 11(2). https://doi.org/10.22492/ije.11.2.02 Rahman, T., & Singh, A. (2023). AI for inclusivity: Enhancing learning for students with disabilities. Computers & Education. https://doi.org/10.1016/j.compedu.2022.104689 EDUTEC - Revista Electrónica de Tecnología Educativa. e-ISSN 1135-9250 Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A Número 91 – Marzo 2025 Sección General DOI: https://doi.org/10.21556/edutec.2025.91.3607 Página 206 Rosé, C. P., McLaughlin, E. A., Liu, R., & Koedinger, K. R. (2015). Explanatory Feedback for Openended Math Problem Solving. Journal of Educational Psychology, 107(3), 588–602. Shabbir, A., Rizvi, S., & Alam, M. M. (2024). Beyond boundaries: Navigating the positive potential of AI in higher education. Heliyon, 10(16). https://doi.org/10.1016/j.heliyon.2024.e35845 Shahzad, M. F., Xu, S., Lim, W. M., Yang, X., & Khan, Q. R. (2024). Artificial intelligence and social media on academic outcomes. Heliyon, 10(8). https://doi.org/10.1016/j.heliyon.2024.e29523 Silva, C. A. G. D., Ramos, F. N., de Moraes, R. V., & Santos, C. M. (2024). ChatGPT: Challenges and Benefits in Software Projects. Sustainability, 16(3), 1245. https://doi.org/10.3390/su16031245 VanLehn, K. (2011). The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems. Educational Psychologist, 46(4), 197-221. Villegas-José, V., & Delgado-García, M. (2024). Artificial Intelligence: innovative educational perspectives. Pixel-Bit, Revista de Medios y Educación, 71, 159-177. https://doi.org/10.12795/pixelbit.107760 Woolf, B. P. (2020). Building Intelligent Interactive Tutors: Student-centered Strategies for Revolutionizing E-Learning. Morgan Kaufmann. Zambrano, A. B., & Pérez, D. A. Q. (2024). Benefits and Limitations for Salvadoran University Students. European Public and Social Innovation Review, 9, 1-19. https://doi.org/10.31637/epsir-2024-368 Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? Computers & Education, 147, 103759. https://doi.org/10.1186/s41239-0190171-0 Para citar este artículo: Gutiérrez-Castillo, J. J., Romero Tena, R., y León-Garrido, A. (2025). Beneficios de la Inteligencia Artificial en el aprendizaje de los estudiantes universitarios: una revisión sistemática. Edutec, Revista Electrónica de Tecnología Educativa, (91), 185-206. https://doi.org/10.21556/edutec.2025.91.3607